Классификация мeтодов прогнозирования
Введение
В современных условиях усложнение радиоэлектронных средств приводит к ряду проблем при оценке качества и надежности изделий из-за ряда трудно выявляемых скрытых дефектов. Поэтому одним из наиболее перспективных направлений в разработке методов оценки качества и надежности РЭС является прогнозирование их будущих состояний.
Индивидуальное прогнозирование, на данный момент, обеспечивает наибольшую точность (ИП)[1]. Смысл данного прогнозирования заключается в том, что по величине информативного параметра или по результатам наблюдения за каждым конкретным экземпляром и полученной прогнозной модели делается вывод о потенциальной надежности и качеству работы этого экземпляра, то есть о возможности его использования по назначению в течение заданного срока службы. Сейчас, основной проблемой является либо отсутствие прогнозных моделей для многих ЭРИ, либо недостаточная точность их прогнозирования. Поэтому актуальной задачей является разработка таких прогнозных моделей и повышение их точности, что обеспечивается за счет применения принципа экстремума погрешности.
Цель данной работы разработка прогнозной модели и анализ ее эффективности на примере качества работы стабилитронов.
Для достижения поставленной цели следует решить следующие задачи:
- создание математической прогнозной модели на основе нейросетей;
- синтез прогнозной модели при постоянной обучающей выборке;
- синтез прогнозной модели при переменной обучающей выборке
- выбор способа реализации прогнозной модели.
При выполнении работы использовались теоретические и экспериментальные исследования. Теоретические исследования основываются на методах математической статистики, распознавании образов, методах численного моделирования.
Экспериментальные исследования выполнены с нейросетевой модели со стандартной функцией программы MATLAB.
Научная новизна работы заключается в том, что предложена, разработана и исследована прогнозная модель качества приборов на основе нейросетей, с использованием экстремума погрешности, обеспечивающая уменьшение интервала обучения прогнозной модели, существенное увеличение интервала прогноза.
Аналитический обзор методов
Прогнозные модели
Мeтод прогнозирования – это последовательность действий, которые необходимо совершить для получения модeли прогнозирования.
Модель прогнозирования – это функциональное представлeние, описывающeе исследуемый процесс и являющeеся основой для получения его будущих значений.
Классификация мeтодов прогнозирования
Понятие «метод прогнозирования» гораздо обширнее понятия «модель прогнозирования». В связи с этим на начальном этапе классификации обычно рассматривают мeтоды на две группы: интуитивныe и формализованные [2].
Рисунок 1.1 – Методы прогнозирования
Интуитивные методы прогнозирования имеют дело с суждениями и оценками экспертов. На данный момент они применяются в различных областях, таких как маркетинг, экономика, политика, в таких системах, в которых необходимо спрогнозировать те или иные данные. Интуитивный метод имеет ряд минусов, такие системы либо слишком сложны и не поддаются математическому описанию, либо слишком просты и в описании не нуждаются.
Формализованные методы - описанные в литературе методы прогнозирования, в результате которых строят модели прогнозирования, то есть определяют такую математическую зависимость, которая позволяет вычислить будущее значение процесса, то есть сделать прогноз.
Классификация моделей аппроксимации
Моделью аппроксимации называют такую модель, которую используют для нахождения аппроксимирующей зависимости или для построения прогнозной модели. Каждому виду модели соответствуют определенные алгоритмы аппроксимации:
1. Регрессионный метод.
2. Метод экстраполяции.
3. Нейросетевой метод.
Регрессионный метод
Регрессионный анализ - это метод моделирования данных и исследования их свойств. Данные состоят из пар значений зависимой переменной (переменной отклика) и независимой переменной (объясняющей переменной). Регрессионная модель есть функция независимой переменной и параметров с добавленной случайной переменной. Параметры модели настраиваются таким образом, что модель наилучшим образом приближает данные. Критерием качества приближения (целевой функцией) обычно является среднеквадратичная ошибка: сумма квадратов разности значений модели и зависимой переменной для всех значений независимой переменной в качестве аргумента. Регрессионный анализ — раздел математической статистики и машинного обучения. Предполагается, что зависимая переменная есть сумма значений некоторой модели и случайной величины. Регрессионный анализ используется для прогноза и выявления скрытых взаимосвязей в данных.
Недостатки регрессионного анализа: модели, имеющие слишком малую сложность, могут оказаться неточными, а модели, имеющие избыточную сложность, могут оказаться переобученными [6].
Метод экстраполяции
Экстраполяция – это такой тип аппроксимации, при котором функции аппроксимируются вне заданного интервала, а не между заданными значениями [7].
Иными словами, экстраполяция - это приближённое определение значений функции f(x) в точках x, лежащих вне отрезка [x0, xn], по её значениям в точках x0<x1<...<xn.
При формировании прогнозов с помощью экстраполяции обычно исходят из статистически складывающихся тенденций изменения тех или иных количественных характеристик объекта. Экстраполируются оценочные функциональные системные и структурные характеристики. Экстраполяционные методы являются одними из самых распространенных и наиболее разработанных среди всей совокупности методов прогнозирования.
С помощью этих методов экстраполируются количественные параметры больших систем, количественные характеристики экономического, научного, производственного потенциала, данные о результативности научно-технического прогресса, характеристики соотношения отдельных подсистем, блоков, элементов в системе показателей сложных систем и др.
Однако степень реальности такого рода прогнозов и соответственно мера доверия к ним в значительной мере обусловливаются аргументированностью выбора пределов экстраполяции и стабильностью соответствия "измерителей" по отношению к сущности рассматриваемого явления. Следует обратить внимание на то, что сложные объекты, как правило, не могут быть охарактеризованы одним параметром. В связи с этим можно сделать некоторое представление о последовательности действий при статистическом анализе тенденций и экстраполировании, которое состоит в следующем:
- во-первых, должно быть четкое определение задачи, выдвижение гипотез о возможном развитии прогнозируемого объекта, обсуждение факторов, стимулирующих и препятствующих развитию данного объекта, определение необходимой экстраполяции и её допустимой дальности;
- во-вторых, выбор системы параметров, унификация различных единиц измерения, относящихся к каждому параметру в отдельности;
- в-третьих, сбор и систематизация данных. Перед сведением их в соответствующие таблицы еще раз проверяется однородность данных и их сопоставимость: одни данные относятся к серийным изделиям, а другие могут характеризовать лишь конструируемые объекты;
- в-четвертых, когда вышеперечисленные требования выполнены, задача состоит в том, чтобы в ходе статистического анализа и непосредственной экстраполяции данных выявить тенденции или симптомы изменения изучаемых величин. В экстраполяционных прогнозах особо важным является не столько предсказание конкретных значений изучаемого объекта или параметра в таком-то году, сколько своевременное фиксирование объективно намечающихся сдвигов, лежащих в зародыше назревающих тенденций.
Достоинства:
- простота сбора информации и расчетов;
- возможность осуществить адаптивный прогноз, учитывающий новую информацию.
Недостатки:
- при большом периоде упреждения — недостоверность прогнозных данных;
- не учитываются уже происшедшие изменения условий прогнозного фона;
-_______нет возможности предсказать результат при нестабильности, изменчивости условий в будущем [8].
Нейросетевая модель
Искусственная нейронная сеть (ИНС, нейронная сеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы - как внешние выходы нейронной сети. Подавая любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети [9].
Практически любую задачу можно свести к задаче, решаемой нейронной сетью.
Нейросетевая модель ориентирована на то, чтобы уметь по текущему и нескольким предыдущим векторам состояния объекта предсказывать его следующие состояния. Нейронная сеть способна запомнить, а затем воспроизвести динамическое поведение объекта в ситуациях, которые ей известны.
Да, нейросетевые модели динамических объектов могут быть настолько точными, что нейроконтроллер, синтезированный с использованием нейроэмулятора, оказывается способным управлять самим объектом без каких-либо дополнительных настроек.
Внешняя структура нейросетевой модели полностью определяется регрессором и набором параметров, значение которых необходимо прогнозировать, т.е. число входов (число нейронов во входном слое МНС) определяется количеством элементов регрессора, число выходов (число нейронов в выходном слое) определяется количеством прогнозируемых величин.
В случае использования нейросетевых моделей значительную роль играет не только выбор регрессора, но и задание внутренней структуры НС - числа скрытых слоев и количества нейронов в каждом скрытом слое.
Непосредственно процессу создания нейросетевой модели предшествует процедура сбора, анализа и обработки исходных данных с целью наиболее адекватного представления моделируемого процесса.
Первым этапом построения нейросетевой модели является тщательный отбор входных данных, влияющих на ожидаемый результат. Из исходной информации необходимо исключить все сведения, не относящиеся к исследуемой проблеме. В то же время следует располагать достаточным количеством примеров для обучения ИНС.
Следует отметить, что нейросетевые модели, все-таки, сильно отличаются от того, что обычно понимают под математической моделью. Не зря поэтому их называют эмуляторами, они имитируют динамические характеристики объекта и не более того.
Незначительные изменения внутренней структуры нейросетевой модели, как правило, не оказывают существенного влияния на ее качество, тогда выбор глубины регрессии, т.е. числа отсчетов сигналов в предыдущие моменты времени, играет решающую роль.
Способности нейронной сети к прогнозированию напрямую следуют из её способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и (или) каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие.
Используя же даже самую простую нейросетевую архитектуру (персептрон с одним скрытым слоем) и базу данных легко получить работающую систему прогнозирования.
Отсюда следует первый недостаток такой архитектуры - когда база данных о продажах, или других величинах, которые мы прогнозируем велика, сеть станет слишком большой и будет медленно работать. С этим можно бороться предварительной кластеризацией базы данных.
Второй недостаток таких сетей особенно заметен в задачах бизнес прогнозирования - они совсем не способны "продлевать" тренд. Поэтому такие сети можно использовать только в случаях, когда рынок устойчивый, либо, после декомпозиции данных, тренд прогнозировать другими архитектурами нейронных сетей, или любыми классическими методами.
Оказывается, что после многократного предъявления примеров веса нейронной сети стабилизируются, причем нейронная сеть дает правильные ответы на все (или почти все) примеры из базы данных. В таком случае говорят, что "нейронная сеть выучила все примеры", "нейронная сеть обучена", или "нейронная сеть натренирована". В программных реализациях можно видеть, что в процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку останавливают, а полученную нейронную сеть считают натренированной и готовой к применению на новых данных.
Важно отметить, что вся информация, которую нейронная сеть имеет о задаче, содержится в наборе примеров. Поэтому качество обучения нейронной сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу. Так, например, бессмысленно использовать нейронную сеть для предсказания финансового кризиса, если в обучающей выборке кризисов не представлено. Считается, что для полноценной тренировки нейронной сети требуется хотя бы несколько десятков (а лучше сотен) примеров.
Oбучение нейронных сетей - сложный и наукоемкий процесс. Алгоритмы обучения нейронных сетей имеют различные параметры и настройки, для управления которыми требуется понимание их влияния.
Рассмотрев все три алгоритма аппроксимации, для разработки прогнозной модели качества приборов была выбрана нейросетевая зависимость, так как расчеты основанные на нейросетях оказались наиболее точными [10].
Нейросетевая зависимость
В течение последних лет наблюдается взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях – бизнесе, медицине, технике, геологии, физике. НС вошли в практику везде, где нужно решать задачи прогнозирования, классификации или автоматизации. Такой успех определяется несколькими причинами:
1. Богатыми возможностями, НС – мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. Нейросети нелинейны по своей природе.
2. Простотой в использовании, ведь НС учатся на примерах. Пользователь НС подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. От пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения НС, гораздо скромнее, чем, например, при использовании традиционных методов статистики.
Основные понятия
НС – это система, состоящая из многих простых вычислительных элементов, работающих параллельно, функция которых определяется структурой сети, силой взаимосвязанных связей, а вычисления производятся в самих элементах или узлах. НС – это набор нейронов, определенным образом связанных между собой. Работу искусственного нейрона можно описать следующим образом (рисунок 1.5).
Рисунок 1.5 – Нейрон
Нейрон получает входные сигналы (исходные данные либо выходные сигналы других нейронов нейросети) через несколько входных каналов. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (или вес), которая определяет влияние входных значений на уровень активности элемента. Веса могут быть положительными (возбуждающими) или отрицательными (тормозящими).
С каждым нейроном связано определенное пороговое значение. Вычисляется взвешенная сумма входов, из нее вычитается пороговое значение, и в результате получается величина активации нейрона. Сигнал активации преобразуется с помощью функции активации (или передаточной функции). В результате получается выходной сигнал нейрона:
s = (x,w) = w0 + , (1)
Одной из наиболее распространённых функций является нелинейная функция с насыщением, так называемая сигмоидальная (логистическая) функция:
(2)
Эту функцию часто называют «сигмоидой». Параметр определяет наклон функции.
При , равном нулю, функция вырождается в пороговую функцию, которая принимает значение 1, если уровень активности положителен, и 0 в противном случае.
. (3)
Рисунок 1.6 - Функция активации «сигмоида»
Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Если сеть предполагается для чего-то использовать, то у нее должны быть входы (принимающие значения интересующих нас переменных из внешнего мира) и выходы (прогнозы или управляющие сигналы). Кроме этого в сети может быть еще много промежуточных (скрытых) нейронов, выполняющих внутренние функции. Входные, скрытые и выходные нейроны должны быть связаны между собой.
Наиболее распространенными являются многослойные сети, в которых нейроны объединены в слои. Слой – это совокупность нейронов, на которые в каждый такт времени параллельно поступает информация от других нейронов сети. После того, как определено число слоев и число элементов в каждом из них, нужно найти значения для весов и порогов сети, которые минимизировали бы ошибку прогноза, выдаваемого сетью. Именно для этого служат алгоритмы обучения. С использованием собранных исторических данных веса и пороговые значения автоматически корректируются с целью минимизации этой ошибки.
По сути, этот процесс представляет собой подгонку модели, которая реализуется сетью, к имеющимся обучающим данным. Ошибка для конкретной конфигурации сети определяется путем прогона через сеть всех имеющихся наблюдений и сравнения реально выдаваемых выходных значений с желаемыми (целевыми) значениями. Все такие разности суммируются в функцию ошибок, значение которой и есть ошибка сети. В качестве функции ошибок чаще всего берется сумма квадратов ошибок:
(4)
где d – желаемый выход сети,
у – реальный выход сети.
В качестве примера простейшей НС приведём трёхнейронный персептрон, нейроны которого имеют активационную функцию в виде единичной пороговой. На n входов поступают некие сигналы, проходящие по синапсам на 3 нейрона, образующие единственный слой этой НС и выдающие три выходных сигнала:
. (5)
Рисунок 1.7 - Однослойный персептрон
Таким образом, процесс, происходящий в НС, может быть записан в матричной форме:
Y = F(XW), (6)
где X и Y - соответственно, входной и выходной сигнальные векторы,
F(V) - активационная функция, применяемая поэлементно к компонентам вектора V.
Рисунок 1.8 – Многослойный персептрон
Многослойный персептрон содержит чередующиеся слои нейронов и связей. Основная часть вычислений проводится на слоях связей. Поэтому обычно количество слоев персептрона считают по слоям связей. Иногда учитывают только внутренние слои персептрона. Так изображенный на рисунке двухслойный персептрон может также называться трехслойным, если считать число слоев нейронов, или содержащим один скрытый слой.
Общая формула, связывающая выходы нейронной сети с ее входами выглядит следующим образом.
. (7)
Другой класс нейронных сетей, называемый нейронными сетями с радиально-базисными функциями (РБФ) (рисунок 1.9).
Сети РБФ имеют ряд преимуществ перед рассмотренными многослойными сетями. Они моделируют произвольную нелинейную функцию с помощью всего одного промежуточного слоя, тем самым избавляя разработчика от необходимости решать вопрос о числе слоев. Только нейроны скрытого слоя имеют нелинейную активационную функцию.
Рисунок 1.9 – Нейронные сети с радиальными базисными функциями
Параметры линейной комбинации в выходном слое можно полностью оптимизировать с помощью хорошо известных методов линейной оптимизации, которые работают быстро и не испытывают трудностей с локальными минимумами, так мешающими при обучении с использованием алгоритма обратного распространения ошибки. Синаптические веса связей входного и скрытого слоев равны единице. Сеть РБФ обучается очень быстро – на порядок быстрее, чем с использованием алгоритма ОР.
Недостатки сетей РБФ: данные сети обладают плохими экстраполирующими свойствами и получаются весьма громоздкими при большой размерности вектора входов.
Общий вид радиально-базисной функции:
, (8)
где х - вектор входных сигналов,
σ – ширина окна функции,
φ(у) – убывающая функция [12].
Цели и задачи исследования
В современных условиях усложнение радиоэлектронных средств приводит к ряду проблем при оценке качества и надежности изделий из-за ряда трудно выявляемых скрытых дефектов. Поэтому одним из решений является прогнозирование их будущих состояний, а в частности ИП. Сейчас основной проблемой является отсутствие прогнозных моделей для многих ЭРИ.
Цель данной работы разработка прогнозной модели и анализ ее эффективности на примере качества работы стабилитронов. Из большого числа методик и прогнозных моделей предпочтение было отдано формализованному методу со структурной моделью – нейросеть, так как при расчетах она дала наименьшую погрешность вычислений, нежели, чем с использованием регрессии или метода экстраполяции.
Регрессионные модели, имеющие слишком малую сложность, могут оказаться неточными, а модели, имеющие избыточную сложность, могут оказаться переобученными. Экстраполяция, при большом периоде упреждения дает недостоверность прогнозных данных.
В данной работе были использованы нейронные сети с радиальными базисными функциями, которые моделируют произвольную нелинейную функцию с помощью всего одного промежуточного слоя, тем самым избавляя разработчика от необходимости решать вопрос о числе слоев.
Для достижения поставленной цели следует решить следующие задачи:
- создание математических прогнозной модели на основе нейросетей;
- синтез прогнозной модели при постоянной обучающей выборке;
- синтез прогнозной модели при переменной обучающей выборке;
- прогнозирование значений Uст при t=1000ч по значениям t=25ч, t=100ч.
Предлагаемая модель прогнозирования качества полупроводниковых приборов позволит существенно сократить интервал обучения, может найти широкое применение при анализе качества радиоэлектронной аппаратуры.
В ходе контроля на качество, устанавливаются:
- качество маркировки;
- правильность заполнения сопроводительной документации;
- полнота комплектации;
- работоспособность изделия.
Тем самым, мы можем определить, будет ли работоспособно наше изделие, по пришествию 1000ч. Это позволит, повысить надежность изделий, где будет применены данные ЭРЭ, что позволит экономить вкладываемые денежные средства.
Расчет накладных расходов
Затраты на накладные расходы определяются по формуле:
(32)
где – коэффициент, учитывающий накладные расходы.
Примем . Подставив необходимые значения в формулу, получаем:
(33)
Санитарно-бытовое обслуживание рабочего персонала является частью комплекса мер по охране труда. Наибольшее значение в санитарно-гигиеническом отношении имеет обеспечение работников необходимым количеством, соответствующим образом оборудованных санитарно-бытовых помещений.
Производственные здания и помещения должны соответствовать действующим санитарным нормам, требованиям СНиП N 5181-90 по проектированию производственных зданий промышленных предприятий и нормам технологического проектирования, действующим в отрасли.
Проектирование технологии и оборудования для производства ПП и ИМС должно производиться с учетом оптимального количественного значения показателей надежности по технике безопасности и производственной санитарии. Объемно-планировочные и конструктивные решения производственных помещений ПП и ИМС должны обеспечивать возможность организации поточности технологического процесса, механизации работ, мер по предупреждению распространения вредностей из одного помещения в другое.
Производственные помещения участков приготовления химических реактивов, очистки технологической оснастки и узлов оборудования от химических загрязнений, фотолитографии, технохимии, диффузии и окисления, вакуумного напыления, сборки ПП и ИМС, испытания приборов должны быть изолированы друг от друга. Производственные участки, где применяются высокотоксичные химические вещества, необходимо размещать в изолированных помещениях с газонепроницаемыми противопожарными перегородками; размещение производственных участков в подвалах совместно с производствами и складами категории А, Б и Е, а также в соседних с ними помещениях не допускается. Все производственные помещения должны иметь гладкие бесшовные влагостойкие покрытия стен и полов, а также гладкие покрытия дверей и оконных переплетов, допускающие их влажную уборку. Внутренняя отделка производственных помещений должна выполняться из материалов, не сорбирующих пыль и пары летучих химических веществ.
Устройство полов помещений должно предохранять от возможного возникновения электростатических зарядов, превышающих допустимые нормы. В целях устранения причин возникновения статического электричества следует использовать материалы для покрытия, одежды, инструментов, обладающие достаточно большой проводимостью для снижения накапливающегося потенциала статического электричества до величин ниже допустимого уровня.
В процессе возможен пролив различных растворов органических кислот, щелочей и органических растворителей (процессы приготовления реактивов, травления пластин, нанесения и удаления фоторезиста, обезжиривания пластин, химической обработки технологической оснастки)Покрытие пола на участках, где, должно быть устойчивым к воздействию агрессивных жидкостей и легко очищаться от них. В производственных помещениях I - III классов чистоты запрещается открытая прокладка коммуникаций (воздуховодов, трубопроводов, кабелей и др.). При проектировании производственных помещений, требующих повышенной чистоты воздуха, предпочтение следует отдавать "гермозонам" с размещением в них пылезащитного оборудования типа "Лада" перед помещениями с многократной фильтрацией приточного воздуха - "чистыми комнатами".
Водоснабжение и канализацию зданий необходимо выполнять в соответствии с требованиями главы СНиП N 5181-90 по проектированию водопровода и канализации зданий, а также требованиям санитарных норм проектирования промышленных предприятий. В производственных зонах должны быть предусмотрены площадки для сбора и временного хранения твердых и концентрированных жидких промышленных отходов [28].
Заключение
В первом разделе аналитический обзор методов и моделей прогнозирования. Для исследования выбрана нейросетевая модель. В качестве программной реализации выбран пакет Matlab.
Во втором разделе приведено описание прогнозной модели качества стабилитронов на основе нейросетевой модели. Были рассмотрены и сравнены два метода расчетов при постоянной и обучающей выборках,
В третьем разделе рассмотрены способы реализации нейросетей и выбран аппаратный способ.
В четвертом разделе аппаратной реализации метода подобрана элементная база в виде микроконтроллера.
В экономической части были рассчитаны общая трудоемкость, численность исполнителей и общие затраты на разработку программного продукта и сделано заключение об эффективности проекта.
В последнем разделе были рассмотрены вопросы безопасности и экологичности проектных решений: требования к организации рабочего места операторов автоматов, освещенности и микроклимату рабочего места, уровню шума, организации отопления и вентиляции.
Таким образом, задачи, поставленные в техническом задании, в данной работе решены.
В данной работе мы стремимся, чтобы расчетные данные были, как можно ближе к экспериментальным. Сравнив расчетные значения, полученные в ходе работы, с экспериментальными значениями, полученными с использованием метода экстраполяции, было доказано, что используя нейросеть с большей точностью можно определить годность/негодность стабилитронов, сократив при этом число экспериментов, их общее время, вследствие чего была достигнута экономическая выгода.
Предлагаемая модель прогнозирования качества полупроводниковых приборов позволит кратно снизить интервал обучения прогнозной модели, позволила существенно увеличить интервал прогноза.
Данная прогнозная модель качества приборов была высоко оценена на Всероссийской научно-практической конференции «Современные технологии в кораблестроительном и авиационном образовании, науке и производстве», посвященной 100-летию со дня рождения Р.Е. Алексеева дипломом Лауреата, а также на региональном научном семинаре «Информационные технологии и прикладная математика» дипломом II степени, которая проходила в 2016 году в АФ ННГУ им. Н.И. Лобачевского.
Нормативные ссылки
В данной пояснительной записке использованы ссылки на следующие стандарты:
1. ГОСТ 2.105-95 Единая система конструкторской документации. Общие требования к текстовым документам.
2. ГОСТ 7.32-2001 Межгосударственный стандарт. Система стандартов по информации, библиотечному и издательскому делу. Отчет о научно-исследовательской работе. Структура и правила оформления.
3. ГОСТ 12.1.005-76 Система стандартов безопасности труда. Воздух рабочей зоны. Общие санитарно-гигиенические требования.
4. CК-СТО1-У-37.3-16-11. Стандарт организации. Общие требования к оформлению пояснительных записок дипломных и курсовых проектов.
5. ГОСТ 15467-79.Управление качеством продукции. Основные понятия. Термины и определения.
Введение
В современных условиях усложнение радиоэлектронных средств приводит к ряду проблем при оценке качества и надежности изделий из-за ряда трудно выявляемых скрытых дефектов. Поэтому одним из наиболее перспективных направлений в разработке методов оценки качества и надежности РЭС является прогнозирование их будущих состояний.
Индивидуальное прогнозирование, на данный момент, обеспечивает наибольшую точность (ИП)[1]. Смысл данного прогнозирования заключается в том, что по величине информативного параметра или по результатам наблюдения за каждым конкретным экземпляром и полученной прогнозной модели делается вывод о потенциальной надежности и качеству работы этого экземпляра, то есть о возможности его использования по назначению в течение заданного срока службы. Сейчас, основной проблемой является либо отсутствие прогнозных моделей для многих ЭРИ, либо недостаточная точность их прогнозирования. Поэтому актуальной задачей является разработка таких прогнозных моделей и повышение их точности, что обеспечивается за счет применения принципа экстремума погрешности.
Цель данной работы разработка прогнозной модели и анализ ее эффективности на примере качества работы стабилитронов.
Для достижения поставленной цели следует решить следующие задачи:
- создание математической прогнозной модели на основе нейросетей;
- синтез прогнозной модели при постоянной обучающей выборке;
- синтез прогнозной модели при переменной обучающей выборке
- выбор способа реализации прогнозной модели.
При выполнении работы использовались теоретические и экспериментальные исследования. Теоретические исследования основываются на методах математической статистики, распознавании образов, методах численного моделирования.
Экспериментальные исследования выполнены с нейросетевой модели со стандартной функцией программы MATLAB.
Научная новизна работы заключается в том, что предложена, разработана и исследована прогнозная модель качества приборов на основе нейросетей, с использованием экстремума погрешности, обеспечивающая уменьшение интервала обучения прогнозной модели, существенное увеличение интервала прогноза.
Аналитический обзор методов
Прогнозные модели
Мeтод прогнозирования – это последовательность действий, которые необходимо совершить для получения модeли прогнозирования.
Модель прогнозирования – это функциональное представлeние, описывающeе исследуемый процесс и являющeеся основой для получения его будущих значений.
Классификация мeтодов прогнозирования
Понятие «метод прогнозирования» гораздо обширнее понятия «модель прогнозирования». В связи с этим на начальном этапе классификации обычно рассматривают мeтоды на две группы: интуитивныe и формализованные [2].
Рисунок 1.1 – Методы прогнозирования
Интуитивные методы прогнозирования имеют дело с суждениями и оценками экспертов. На данный момент они применяются в различных областях, таких как маркетинг, экономика, политика, в таких системах, в которых необходимо спрогнозировать те или иные данные. Интуитивный метод имеет ряд минусов, такие системы либо слишком сложны и не поддаются математическому описанию, либо слишком просты и в описании не нуждаются.
Формализованные методы - описанные в литературе методы прогнозирования, в результате которых строят модели прогнозирования, то есть определяют такую математическую зависимость, которая позволяет вычислить будущее значение процесса, то есть сделать прогноз.